《1000人后室大逃亡》配音工序 · 四音色定版复盘（2026-08-05）

项目仓库：E:\backrooms-1000（复盘原件在 docs/阶段性报告/2026-08-05-配音工序复盘.md） 范围：GenJi + 猛攻哥A/B/C 四个角色。主持人与学生A–E 由其他协作者产出，不在本文范围。

事实记录

• 执行：2026-08-05，11:01–15:09，9 个提交
• 目标：把斯塔写在 xlsx「音色参考」列的需求，落成可直接生成台词的 Eleven v3 音色
• 结果：
  • 4 个角色全部定版并过审
  • tag 探针通过：3 音色 × 4 组 = 12 次，零泄漏
  • 第一版方案全部作废，12 个候选里只有 1 个幸存
  • 消耗：字符额度 12,014 / 265,950（4.5%），语音槽位 27/30
• 数据来源：定版决定与”完全错误”的判断 = 用户听感反馈；基频/底噪/tag 泄漏 = 本机自测；素材要求 = ElevenLabs 官方文档；干员设定 = 萌娘百科 + 官方心理评估 + B 站评论区

时间线

一、路径错了，功课救不回来

判断：Voice Design 是主路径，IVC 是备胎「必须还原某个特定真人时才用」。

为什么错：斯塔写【三角洲行动威龙的声音】不是气质描述，是指定一个观众要认出来的东西。完整规律见 指定对象与气质描述_生成路径分岔律_v1。

代价：12 个候选作废 9 个，与原参考差 6 个半音。改走 IVC 后 0.4 个半音。

这次最该记住的细节：11:32 那一步，我查了两个干员的官方心理评估、萌娘百科、B 站语音合集的上千条评论，挖出了「蜂医中配是北京腔、儿化音遍地」这种真正有用的特征，把描述改得很扎实。功课做得越足，越掩盖路径本身的错误——因为它让人觉得”我已经很认真了”。

功课是在已选定的路径内优化，不能替你验证路径。

二、幸存的那一个不能证明路径对

猛攻哥A 是 12 个候选里唯一通过审核的。但它幸存不是因为 Voice Design 路径对，而是因为它恰好是四个角色里唯一没有指定音色的（需求只写了【充满力量感，爽朗的肌肉男声音】）。

路径与需求属性匹配才是原因。 把”我的方案里有一个成功了”写成”我的方案有效”，是复盘里最容易犯的归因错误。

三、客观指标救了一次，也失效了一次

救的那次：基频偏差在 GenJi 上完美区分好坏方案——Voice Design −6.0 半音 vs IVC −0.4 半音，一眼看出不是调参数的量级。

失效那次：同一把尺子搬到游戏语音上直接崩了。原素材量出的基频众数堆在搜索区上限 380–400 Hz（占 14.9%/16.0%），而正常录音只占 0.6%。

• ❌ 先怀疑是无线电滤波（战术语音常见的高通处理会削掉基频）——被低频能量数据否掉：威龙 −6.5 dB、蜂医 −8.5 dB，正常录音 −5.3 dB，只差 1–3 dB
• ✅ 更可能是战斗喊话本身：人喊叫时基频大幅升高，而玩家对这两个干员的普遍观感正是「全面战场的语音全是喊的」

处置：明说失效，不硬给一个数让人拿去做决定。那两个角色纯靠耳朵定版。

教训：一个测量方法在 A 场景好用，不代表在 B 场景成立。换场景先拿已知答案的样本标定。 指标出现在搜索区边界上的堆积，几乎一定是伪影而非真值；量出物理上不可能的值（男声众数 380 Hz）时，先怀疑测量、别怀疑素材。

四、两个工具 bug，同一个病根

① 静默跳过 = 谎报”没问题”（当天在两处独立出现）

• 资产同步脚本的「缺主图」判据是”任意列有图就不报”，漏报了主图格是文字的两个资产
• 音色分析脚本的 measure() 取不到基频就返回 None，调用方直接 continue，三个候选被静默跳过

② 边界情况会伪装成正常值

--check-ivc 的底噪判据被片头空白骗过——参考音频在 −50 dB 下检出 3 段静音，全在开头 0.11–1.74s 之内，1.85s 之后整整 73 秒一段都没有。差点把底噪偏高的录音判成”干净”，进而漏掉降噪。

修法：排除首尾各 2 秒，只认中间的语句间隙。检测”某事件是否存在”时，要看检出的位置是否合理，不能只看有没有。

五、「参考」和「成品音色」是两件事

收口时才发现，同组成员并行做了三个 4–5 秒的音频参考，两边完全不知情。合并后量下来，三个角色的基频差 5–17 个半音。

本次把「参考」直接做成了「成品」，跳过了中间对齐这一步。成品迟早要做所以工作不算废，但顺序错了。

更根本的一点是用户指出的：威龙/蜂医的官方游戏语音本身就是参考，何必先克隆一版再当参考用。 拿到”参考”类需求，先问一句「现成的有没有」。

六、做对的部分

• tag 探针跑了 3 个音色而不是 1 个。因为官方说失效模式与音色相关，只测一个就外推是不成立的。12 组零泄漏的结论因此才站得住
• 能自动判读的就自动判读：tag 有没有被念出来，用 ASR 转录检测即可，不必靠耳朵。人耳留给机器分不出的部分（“叹了口气”和”假装叹了口气”）
• 拿不准就两个版本都做再比：降噪/不降噪各做一版，建 voice 不花字符额度，只占槽位。三个角色的定版结果反过来验证了官方那句”素材本来干净时降噪会更差”
• 落选的全部保留：复盘时把 Voice Design 候选和 IVC 结果放一起听，能直接听出路径错在哪，比看那张差 6 个半音的表更直观

如果重来

11:25 出方案之前，先花 10 分钟做两件事：

1. 问一句「同组有没有人在做这个」
2. 对每个角色问一句「这个声音要不要被观众认出来」

任何一个先问了，都能避免 9 个候选作废 + 两边重复劳动。

关联文档

• 指定对象与气质描述_生成路径分岔律_v1（本案例提炼出的一句话律，⭐⭐）
• Eleven_v3_行为规律_v1（本案例沉淀的工具档案：路径选择、IVC 素材、tag 实测）
• TTS旁白也能蒙眼质检_ASR拼音级评分_v1（同工具的参数级质检；本案例的 tag 泄漏检测是同一思路的新应用）
• 自动化产出双重验收_机器验参数人眼验内容_v1（第三节”指标失效”是对这条铁律的边界补充）
• 交付前实测证伪律_v1（同族：看起来合理的判断要拿实测证伪）
• 04_方法论与洞察索引
• 2026-08-08_后室大逃亡S45-S48_运镜与跨镜一致性返工复盘_v1 —— 同项目后续；本文定版的 GenJi 音色在那一轮被用来救 S48b 的台词